深度学习在生物医药领域的应用

序号	推送日期	文章	类型	简述	创新点	不足	研究目的	研究对象	领域	病种	技术	模型	数据类型	样本量	算法框架	模型架构	性能指标	计算资源
801	2025-12-10	Generative Forecasting of Brain Activity Enhances Alzheimer's Classification and Interpretation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253394 PMID:41336569	研究论文	本研究利用生成式预测方法增强阿尔茨海默病的分类和解释，通过静息态功能磁共振成像数据预测独立成分网络，并评估其在疾病分类中的性能	引入基于Transformer的BrainLM模型进行脑活动生成式预测作为数据增强手段，并揭示与阿尔茨海默病相关的特定脑网络敏感性	数据集规模有限，特别是针对阿尔茨海默病等疾病特定群体，这可能限制深度学习模型的泛化能力	通过数据驱动方法理解认知与内在脑活动之间的关系，并提升阿尔茨海默病的分类性能	静息态功能磁共振成像数据中的独立成分网络	机器学习	阿尔茨海默病	静息态功能磁共振成像	LSTM, Transformer	时间序列数据	NA	NA	BrainLM	NA	NA
802	2025-12-10	AI-Powered Vocalization Analysis in Poultry: Systematic Review of Health, Behavior, and Welfare Monitoring 2025-Jun-29, Sensors (Basel, Switzerland) DOI:10.3390/s25134058 PMID:40648313	综述	本文对人工智能和生物声学在通过禽类发声分析进行非侵入式福利监测方面的应用进行了系统性回顾	系统性地梳理了从传统声学特征提取到前沿深度学习架构（如CNN、LSTM、注意力机制及自监督模型wav2vec2和Whisper）的演变，并强调了边缘计算部署和可解释AI集成的重要性	存在数据集标准化不足、评估协议不一致、算法可解释性有限等持续性方法瓶颈，以及在跨物种领域泛化和上下文声学适应方面存在关键知识缺口	回顾和评估人工智能驱动的禽类发声分析技术在健康、行为及福利监测领域的应用现状、潜力和挑战	禽类（家禽）的发声数据	机器学习	NA	生物声学分析	CNN, LSTM, 注意力机制, 自监督模型	音频	NA	NA	wav2vec2, Whisper	NA	边缘计算（通过TinyML框架）
803	2025-12-10	Deep Learning-Based Automated Measurement of Cervical Length in Transvaginal Ultrasound Images of Pregnant Women 2025-Jun, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3433594 PMID:39052464	研究论文	本文开发了一种基于深度学习的自动化方法CL-Net，用于在孕妇经阴道超声图像中测量宫颈长度，以减少操作者依赖性并提高测量可重复性	CL-Net首次将专家解剖知识整合到深度学习网络中，以识别宫颈管，解决了超声图像中低信噪比和宫颈管对比度极低的挑战	未明确说明模型在不同人群或设备间的泛化能力，以及临床部署中的实时性能要求	开发一种可靠且可重复的自动宫颈长度测量方法，以降低评估者间变异并改善工作流程	孕妇的经阴道超声图像	计算机视觉	产科疾病	经阴道超声成像	深度学习网络	图像	NA	NA	CL-Net	成功率, 中位数差异, 四分位距, 范围	NA
804	2025-12-10	A GAN Guided Parallel CNN and Transformer Network for EEG Denoising 2025-Jun, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3277596 PMID:37220036	研究论文	提出了一种基于GAN引导的并行CNN和Transformer网络（GCTNet），用于脑电图（EEG）信号的去噪，以解决现有方法在时间特征捕获和整体一致性方面的不足	设计了一个结合并行CNN块和Transformer块的生成器，分别捕获局部和全局时间依赖性，并利用判别器检测和校正去噪后EEG信号与真实干净信号之间的整体不一致性	未明确提及具体限制，但可能包括对特定类型伪影的泛化能力或计算资源需求	开发一种高效的深度学习方法来去除EEG信号中的生理伪影，提高信号质量以支持后续分析	脑电图（EEG）信号，特别是受生理伪影（如肌电图伪影）污染的信号	机器学习	NA	脑电图（EEG）信号处理	GAN, CNN, Transformer	时间序列数据（EEG信号）	NA	NA	GCTNet（包含并行CNN块和Transformer块的生成器，以及判别器）	RRMSE（相对均方根误差），SNR（信噪比）	NA
805	2025-12-10	Multi-Gate Mixture of Multi-View Graph Contrastive Learning on Electronic Health Record 2025-Jun, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3325221 PMID:37851554	研究论文	本文提出了一种多门混合多视图图对比学习方法，用于从电子健康记录中学习更合理的患者表示，以改善下游预测任务的性能	提出了一种新颖的多门混合多视图图对比学习方法，通过联合优化任务损失和对比损失，并利用分层全连接图结构和预训练节点特征，以更充分地挖掘电子健康记录中的潜在信息	未明确说明模型的计算复杂度、训练时间以及在不同规模数据集上的可扩展性	旨在通过改进电子健康记录的表示学习方法，提升患者相关预测任务的性能	电子健康记录中的患者就诊数据	机器学习	NA	图神经网络，对比学习	GNN	图数据	两个大型开源医疗数据集：MIMIC-III 和 eICU	NA	多门混合多视图图对比学习	NA	NA
806	2025-12-10	Preoperative Prediction of Microvascular Invasion in Hepatocellular Carcinoma From Multi-Sequence Magnetic Resonance Imaging Based on Deep Fusion Representation Learning 2025-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3451331 PMID:39196745	研究论文	本研究提出了一种基于深度融合表示学习的新算法，用于从多序列磁共振成像中预测肝细胞癌的微血管侵犯	引入了一种基于ResNet的新型多分支深度融合特征算法（DFFResNet），结合不同序列的MRI图像以增强信息互补性和整合性	研究样本量相对较小（117名个体），且仅基于单一医院的放射科数据集，可能影响模型的泛化能力	预测肝细胞癌术前微血管侵犯，以辅助早期肿瘤复发风险评估	肝细胞癌患者的多序列磁共振成像数据	数字病理学	肝细胞癌	磁共振成像	CNN	图像	117名个体，包含七个MRI序列	NA	ResNet, DFFResNet	NA	NA
807	2025-12-10	SWMA-UNet: Multi-Path Attention Network for Improved Medical Image Segmentation 2025-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3523492 PMID:40030824	研究论文	本文提出了一种用于医学图像分割的并行多路径注意力网络SWMA-UNet，旨在同时捕获局部细节和全局上下文信息	提出了一种并行（而非串行）集成Transformer和CNN的多路径注意力架构，以同时处理全局和局部信息	未在摘要中明确说明	提高医学图像分割的准确性	医学图像	计算机视觉	NA	深度学习	CNN, Transformer	图像	在Synapse、ACDC、ISIC 2018和MoNuSeg数据集上进行了实验	NA	SWMA-UNet (基于U-Net的变体)	NA	NA
808	2025-12-10	FlexibleSleepNet:A Model for Automatic Sleep Stage Classification Based on Multi-Channel Polysomnography 2025-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3525626 PMID:40030855	研究论文	本文提出了一种名为FlexibleSleepNet的轻量级卷积神经网络架构，用于基于多通道多导睡眠图数据的自动睡眠阶段分类	引入了自适应特征提取模块和尺度变化压缩模块，以平衡时空特征提取与计算复杂度，有效捕获通道间的时空依赖关系	未明确提及模型在更广泛或多样化数据集上的泛化能力，以及可能存在的过拟合风险	开发一种高效的自动睡眠阶段分类模型，以提升分类性能并降低计算复杂度	多通道多导睡眠图数据	机器学习	NA	多导睡眠图	CNN	多通道生理信号数据	三个数据库：SleepEDF-20、SleepEDF-78和SHHS，具体样本数量未明确	NA	FlexibleSleepNet	分类准确率	NA
809	2025-12-10	Conditional Contrastive Predictive Coding for Assessment of Fetal Health From the Cardiotocogram 2025-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3530610 PMID:40030899	研究论文	本文提出了一种基于条件对比预测编码的模型，用于从胎心宫缩图自动评估胎儿健康状况	将对比预测编码扩展为随机、循环且以子宫活动为条件的未来预测器，并引入了更适合异常检测的新训练目标	未明确说明模型在临床环境中的泛化能力或计算效率	开发一种自动化方法，通过胎心宫缩图评估胎儿健康状况，以减少人工解读的变异性	胎心宫缩图数据，包括胎儿心率和子宫活动记录	机器学习	胎儿健康	对比预测编码	深度学习模型	时间序列数据	NA	NA	对比预测编码扩展模型	NA	NA
810	2025-12-10	MACTFusion: Lightweight Cross Transformer for Adaptive Multimodal Medical Image Fusion 2025-May, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3391620 PMID:38640042	研究论文	本文提出了一种基于轻量级交叉Transformer的自适应多模态医学图像融合方法	提出了基于交叉多轴注意力机制的轻量级交叉Transformer，结合交叉窗口注意力和交叉网格注意力来挖掘和整合多模态特征的局部与全局交互，并设计了空间自适应融合模块引导模型关注最相关信息	未明确说明模型在计算资源受限环境下的实际部署效果，也未讨论对其他医学图像模态（如超声、内镜图像）的泛化能力	开发一种计算效率高且性能优越的无监督多模态医学图像融合方法	多模态医学图像（特别是临床脑肿瘤图像）	计算机视觉	脑肿瘤	医学图像融合技术	Transformer	医学图像	未明确说明具体样本数量，仅提及包含临床脑肿瘤图像	未明确说明	交叉Transformer（含交叉窗口注意力和交叉网格注意力），梯度残差密集卷积层	纹理清晰度，视觉质量（未明确量化指标）	未明确说明
811	2025-12-10	SCOPE-MRI: Bankart Lesion Detection as a Case Study in Data Curation and Deep Learning for Challenging Diagnoses 2025-Apr-29, ArXiv PMID:40395941	研究论文	本研究介绍了首个公开的专家标注肩部病理数据集ScopeMRI，并开发了一个深度学习框架，用于在标准MRI和MRA上检测Bankart病变	首次公开了专家标注的肩部病理数据集ScopeMRI，并针对临床诊断挑战性的Bankart病变，开发了结合CNN和Transformer的深度学习模型，在标准MRI上达到了与放射科医生解读MRA相当或更优的性能	模型在外部医院数据上的初步验证显示了泛化性，但可能仍需更多样化的数据来确保跨协议鲁棒性	开发深度学习模型以在标准MRI上检测Bankart病变，减少对侵入性MRA的依赖	肩部MRI图像，包括标准MRI和MRI关节造影（MRA）	计算机视觉	肩部损伤（Bankart病变）	MRI成像	CNN, Transformer	3D医学图像（MRI）	586个肩部MRI（335个标准MRI，251个MRA），来自558名患者	未明确指定，但提及了模块化代码库	未明确指定具体架构，但结合了CNN和Transformer	AUC, 敏感性, 特异性	未明确指定
812	2025-12-10	Automated cervix biometry, volumetry and normative models for 3D motion-corrected T2-weighted 0.55-3T fetal MRI during 2nd and 3rd trimesters 2025-Apr-17, medRxiv : the preprint server for health sciences DOI:10.1101/2025.04.16.25325947 PMID:40321262	研究论文	本研究开发了一种用于胎儿MRI宫颈自动多层分割和生物测量的深度学习流程	首次引入深度学习流程，用于3D T2加权图像中怀孕宫颈的自动多层分割和生物测量，并生成了公开可用的3D群体平均图谱	研究仅基于20个数据集进行评估，样本量相对较小，且未明确说明模型在其他临床环境中的泛化能力	开发自动化方法，用于胎儿MRI中宫颈的测量和分析，以减少手动操作并提高准确性	怀孕期间的宫颈，基于3D T2加权MRI图像	数字病理学	NA	3D T2加权MRI	深度学习	3D MRI图像	20个数据集用于评估，270个正常足月病例用于处理	NA	NA	NA	NA
813	2025-12-10	A Non-Invasive Blood Glucose Detection System Based on Photoplethysmogram With Multiple Near-Infrared Sensors 2025-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3443317 PMID:39141451	研究论文	本文开发了一种结合光电容积脉搏波和多近红外传感器的非侵入性血糖检测系统	将光电容积脉搏波与多近红外传感器方法相结合，以弥补各自在基线血糖预测和短期波动敏感性方面的不足	研究样本量较小（仅10名参与者），且未详细讨论个体和环境因素对系统性能的长期影响	开发一种非侵入性血糖检测系统，以提高血糖监测的准确性和实用性	人类参与者的指尖血糖数据	机器学习	糖尿病	光电容积脉搏波，多近红外传感器	深度学习模型	传感器信号数据	10名参与者，每人提供约700个数据段，每段约10秒	NA	轻量级深度学习模型	均方根误差，Parkes误差网格A区准确率	NA
814	2025-12-10	SFM-Net: Semantic Feature-Based Multi-Stage Network for Unsupervised Image Registration 2025-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3524361 PMID:40030793	研究论文	本文提出了一种名为SFM-Net的无监督多阶段语义特征网络，用于解决具有复杂解剖结构的图像之间的精细配准问题	提出了基于语义特征的多阶段网络，设计了双阶段训练策略（强度图像配准阶段和语义特征配准阶段），并构建了双流特征提取模块和精细化变形场生成模块，可在单一网络内实现从粗到精的配准	NA	改进具有复杂解剖结构的图像之间的无监督配准精度	3D脑部MRI图像和肝脏CT图像	计算机视觉	NA	NA	深度学习网络	图像	NA	NA	U-Net	NA	NA
815	2025-12-10	Multi-Sensor Wearable Device With Transformer-Powered Two-Stream Fusion Model for Real-Time Leg Workout Monitoring 2025-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3524398 PMID:40030794	研究论文	本研究开发了一种用于腿部锻炼实时监测的多模态可穿戴设备，并提出了一种基于Transformer的双流融合模型，以高效提取时空特征	提出了一种新型的Transformer驱动的双流融合模型，用于高效准确地提取时空特征，并开发了具有实时步态分析能力的多模态可穿戴设备	未在摘要中明确说明	推进使用多传感器融合与深度学习和医疗物联网技术进行高级步态监测与分析	腿部锻炼监测与步态分析	机器学习	NA	多传感器融合，医疗物联网	Transformer	多模态传感器数据	未在摘要中明确说明	NA	Transformer-powered Two-Stream Fusion	精确率, 召回率, F1分数	NA
816	2025-12-10	Unsupervised Domain Adaptation for Cross-Modality Cerebrovascular Segmentation 2025-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3523103 PMID:40030830	研究论文	本文提出了一种无监督域适应框架CereTS，用于跨模态脑血管分割，旨在解决不同成像模态间标注成本高和模型性能下降的问题	CereTS采用多级域对齐模式，包括图像级循环几何一致性约束、块级掩码对比约束和特征级语义感知约束，以缩小域差异同时保持血管结构一致性	NA	实现跨模态脑血管分割的无监督域适应，以支持颅内血管疾病的诊断和治疗规划	时间飞行磁共振血管成像（TOF-MRA）和计算机断层扫描血管成像（CTA）中的脑血管	计算机视觉	颅内血管疾病	TOF-MRA, CTA	深度学习模型	图像	NA	NA	CereTS	NA	NA
817	2025-12-10	A Hybrid Artificial Intelligence System for Automated EEG Background Analysis and Report Generation 2025-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3496996 PMID:40030193	研究论文	本研究提出了一种创新的混合人工智能系统，用于自动解读EEG背景活动并生成报告	结合深度学习模型进行后主导节律预测、无监督伪迹去除以及专家设计的异常检测算法，并利用大语言模型实现报告生成	局灶性异常检测的改进未达到统计学显著性	开发一个自动化的EEG背景分析和报告生成系统，以辅助资源有限环境下的神经科医生	脑电图（EEG）信号	机器学习	神经系统疾病	EEG信号分析	深度学习模型, 大语言模型	EEG信号	1530个标记的EEG数据，并在内部数据集和Temple University异常EEG语料库上进行验证	NA	集成模型	平均绝对误差, 均方根误差, 准确率, F1分数	NA
818	2025-12-10	Automatic Brain Segmentation for PET/MR Dual-Modal Images Through a Cross-Fusion Mechanism 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3516012 PMID:40030515	研究论文	本文提出了一种基于交叉融合机制的PET/MR双模态图像自动脑分割方法，用于精确分割45个脑区	引入了交叉融合机制，同时处理PET和MR图像，通过UX-Net和交叉融合块在编码器中进行特征提取与融合，实现了更精确的脑区分割	未明确提及方法在临床实践中的具体应用限制或数据泛化能力	开发一种自动脑分割方法，以辅助神经疾病的检测与诊断	PET/MR双模态脑部图像	数字病理学	神经系统疾病	PET/MR成像	深度学习网络	3D图像	NA	NA	UX-Net, 3DUXNET, SwinUNETR, UNETR, nnFormer, UNet3D, NestedUNet, ResUNet, VNet	Dice系数, Jaccard指数, 灵敏度, 精确度, Hausdorff距离	NA
819	2025-12-10	Human Activity Recognition Using Deep Residual Convolutional Network Based on Wearable Sensors 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3510860 PMID:40030576	研究论文	本文提出了一种名为DKInception的深度学习模型，用于基于可穿戴传感器的人体活动识别任务	提出了DKInception模型，该模型将深度卷积残差网络与注意力机制相结合，并利用多尺度卷积核来高效提取时序特征，基于Inception ResNet架构扩展了其能力，具有高效、快速收敛和鲁棒缩放特性	NA	开发一种准确的人体活动识别模型，用于监测人类日常活动和健康行为	人体活动识别	机器学习	NA	NA	CNN	传感器数据	四个基准HAR数据集：UCI-HAR、Opportunity、Daphnet和PAMAP2	NA	Inception ResNet	准确率	NA
820	2025-12-10	TrGPCR: GPCR-Ligand Binding Affinity Prediction Based on Dynamic Deep Transfer Learning 2025-03, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3307928 PMID:37610904	研究论文	本文提出了一种基于动态深度迁移学习的GPCR-配体结合亲和力预测方法TrGPCR，以解决GPCR数据不足的问题	采用动态迁移学习策略，结合蛋白质二级结构（口袋）作为特征，解决了GPCR数据稀缺的挑战	未明确提及模型的具体泛化能力或对其他蛋白质家族的适用性	预测G蛋白偶联受体（GPCR）与配体的结合亲和力，以辅助药物开发	GPCR蛋白质及其配体	机器学习	NA	动态深度迁移学习	深度学习模型	序列数据、二级结构特征	源域使用BindingDB数据库，目标域使用GLASS数据库，具体样本数量未明确说明	NA	TrGPCR	RMSE, MAE	NA